Hoe werkt de AgentPrep scan?
AgentPrep analyseert websites op AI-toegankelijkheid via een combinatie van echte browseranalyse en AI. Hieronder lees je precies wat we meten, hoe de score opgebouwd is, en wat het verschil is met rule-based tools.
Hoe werkt de scan technisch?
Echte browser
We laden de pagina in een headless Chromium-browser (Playwright). Daardoor zien we de pagina zoals een AI-agent hem ook ziet — inclusief JavaScript-rendered content, dynamische formulieren en WebMCP-tools die via document.modelContext.registerTool() zijn geregistreerd.
HTML-analyse
We extraheren alle formulieren, invoervelden, knoppen en CTAs. We kijken naar ID's, labels, aria-attributen en de structuur van de DOM.
AI-verrijking
Voor elk formulier en elke knop gebruikt AgentPrep AI (Gemini) om te beoordelen: wat is het doel van deze actie, hoe zeker zijn we daarover, en is de actie veilig voor een AI-agent? Dit levert WebMCP tool-definities op die bruikbaar zijn voor echte agents.
Score berekening
De vier dimensies worden gewogen samengevoegd tot één AI-readiness score (0–100). Zie hieronder voor de exacte gewichten.
Score-opbouw (0–100)
De AI-readiness score bestaat uit drie lagen met vier dimensies. Elke dimensie heeft een gewicht dat aangeeft hoe zwaar hij meetelt in de eindscore.
Fundament — 45% van de eindscore
Technisch (25%)
Hebben formulieren ID-attributen en zijn invoervelden voorzien van labels? Een AI-agent kan alleen een formulier invullen als de velden herkenbaar zijn — net als een schermlezer.
Verbeteren: Voeg id="…" toe aan formulieren en <label for="…"> aan alle invoervelden.
Veiligheid (20%)
Welk percentage van de gevonden acties is veilig of gematigd? Acties met betaaldata, wachtwoorden of gezondheidsinfo worden als gevoelig geclassificeerd en tellen minder mee.
Verbeteren: Zorg dat gevoelige formulieren duidelijk zijn afgegrendeld en niet standaard beschikbaar zijn voor agents.
Begrijpen — 20% van de eindscore
AI Signalen (20%)
Herkent een AI-agent wie jij bent? Dit meet de aanwezigheid van structured data (JSON-LD), Open Graph tags, een meta-omschrijving, canonical URL en taalindicator.
Verbeteren: Voeg JSON-LD toe met @type Organization of LocalBusiness. Vul alle meta-tags in.
Handelen — 35% van de eindscore
Bruikbare acties (35%)
Hoeveel betekenisvolle acties kan een AI-agent uitvoeren op jouw site? De score stijgt naarmate er meer formulieren en knoppen zijn met duidelijke labels én naarmate de AI-kwaliteit van de gevonden tools hoger is. Sites met een actieve AgentPrep snippet krijgen een bonus.
Verbeteren: Voeg formulieren toe met duidelijke labels. Activeer de AgentPrep snippet om tools actief te registreren voor AI-agents.
Verschil met rule-based scans
Veel AI-readiness tools doen een simpele HTTP-fetch en kijken of bepaalde tags aanwezig zijn. Dat geeft een resultaat in milliseconden — maar mist cruciale informatie.
| Check | Rule-based | AgentPrep |
|---|---|---|
| robots.txt, llms.txt, meta-tags | ✅ | ✅ |
| JavaScript-rendered content | ❌ | ✅ Playwright |
| Daadwerkelijke WebMCP tools detecteren | ❌ altijd 0 | ✅ via browser |
| AI-gegenereerde tool beschrijvingen | ❌ | ✅ Gemini |
| Veiligheidsclassificatie per actie | ❌ | ✅ GDPR/AI Act |
| DOM-validatie van tools | ❌ | ✅ |
Waarom publiceren we dit?
Scores zonder uitleg zijn nutteloos. Als je niet weet wat er gemeten wordt, kun je ook niets verbeteren. Wij geloven dat transparantie over de methodologie vertrouwen opbouwt — en dat een hogere score altijd het gevolg moet zijn van een betere website, niet van een aanpassing aan onze meting.
Heb je vragen over de methodologie, of denk je dat een check onjuist is? Neem contact op.